字节AI Agent面试必考：RAG全链路细节拆解与实战准备指南_考试认证

1. 托管 Agent 执行循环只是起点，AgentRun 托管的更是企业 AI 生产全链路

2. 细思极恐！Agent暗藏风险，清华团队打出组合拳，全链路一网打尽

3. 多模态 RAG 才是企业知识库低效瓶颈的解药？

4. 【AI记忆系统突破99%准确率：用Agent完全替代向量数据库】快速阅读： Supermemory团队用多智能体协作系统在长期记忆基准测试LongMemEval上达到99%准确率，核心突破是用3个并行搜索Agent替代传统向量检索，让AI通过“理解”而非“数学相似度”来回忆信息。这套方案不需要向量数据库，甚至可以嵌入机器人。---向量数据库可能不是AI记忆的最优解。Supermemory在LongMemEval基准测试（11.5万token对话历史）上达到99%准确率，用的方法反而更简单：完全抛弃向量检索，改用多个Agent协作。传统RAG的问题出在检索环节。语义相似度匹配根本分不清“旧事实”和“新更正”，当检索结果里混杂太多噪音，大模型就会迷失。他们的解法是ASMR（Agentic Search and Memory Retrieval）：信息摄取阶段，3个并行Observer Agent同时读取对话记录，按照个人信息、偏好、事件、时间数据等六个维度提取知识点，直接存储结构化内容而非生成embedding。检索阶段才是关键。面对提问时不查询数据库，而是派出3个专门的搜索Agent——一个找直接事实，一个挖隐含语境，一个重建时间线。这些Agent是在“主动阅读和推理”，不是在做向量余弦计算。回答阶段用了两种策略测试。第一种是8个高度专业化的prompt变体并行运行（精确计数专家、时间专家、上下文深挖专家等），只要任何一条推理路径答对就算成功，准确率98.6%。第二种是12个Agent独立作答后，由一个聚合器LLM综合投票裁决，准确率97.2%。有观点认为这套系统证明了“认知理解”比“数学相似性”更适合处理记忆任务。数学只能捕捉表层模式，而Agent可以处理时间序列中的矛盾、更新和细微差别。更有意思的是，这个架构完全在内存中运行，不依赖外部向量数据库，理论上可以部署到任何设备，包括机器人。他们11天后会开源全部代码。当数十亿个高度个性化的AI Agent开始学习和记住我们的一切时，记忆系统的天花板在哪里？也许不在算力，而在我们愿意给Agent多少“主动思考”的权限。ref: x.com/DhravyaShah/status/2035517012647272689#AI创造营##人工智能#

5. 能上生产才是硬道理！Coding Agent 评测，终于开始关注过程了

6. Google 的 Agentic RAG：在 AI 不知道自己不知道这件事上，加了一个质检员。传统 RAG 有个根本缺陷：它只搜一次。问"Project X 用的服务器规格"，文档里只有服务器 ID，规格在另一个数据库——系统直接返回"未找到"，因为它不知道还需要再搜一步。Google 在 Gemini Enterprise Agent Platform 上发布的 Agentic RAG，本质是把"检索"变成一个会迭代的研究流程。1. 多 Agent 分工整个系统有五个角色：- Orchestrator 解析请求；- Planner 规划信息路径；- Query Rewriter 把问题拆成多个具体 query；- Search Fanout Agent 并行发给多个数据源；- Synthesis Agent 写最终答案。这套架构其实和其他 multi-agent RAG 框架差不多，关键差异在下面这个。2. 核心创新：Sufficient Context Agent（质检员）这是 Google 最重要的贡献。它做三件事：1）读实际检索到的 snippets，看信息是否齐全2）让模型先起一个草稿，检查草稿有没有回答所有子问题3）识别具体缺口，生成 Feedback——不是说"信息不足"就停，而是输出："找到了用药和饮食，但缺过敏反应记录，请搜 rashes 或 adverse events"这个 Feedback 直接喂给 Query Rewriter，触发下一轮检索，直到信息完整为止。本质上是：系统终于知道自己什么时候不知道，而不是瞎猜或沉默。3. 实验结果测试集用的是 FramesQA（824 个多跳问题），对比 Vanilla RAG，准确率提升最高 34%。更值得关注的是跨语料库场景——企业里各团队各管各的数据库，这种情况下 Planner Agent 需要先判断去哪个库搜。测试结果是 90.1% 的问题回答正确，延迟只多了 3%。4. 为什么这件事重要企业用 RAG 最头疼的不是找不到信息，是找到了一半就生成答案，然后用户不知道答案是残缺的。Sufficient Context Agent 在流程里加了一道显式的"完整性验证"，这比事后做 hallucination 检测要更根本。原文：research.google/blog/unlocking-dependable-responses-with-gemini-enterprise-agent-platforms-agentic-rag#HOW I AI# #程序员#

7. 手把手彻底学会 Agent Skills！【小白教程】

8. 删掉 OpenClaw！Hermes Agent 才是真王炸，一键本地部署 +模型接入全教程（避坑指南） | 零度解说

9. 由 Lamhot Siagian 编写的《2026 智能体 AI 工程师路线图（Roadmap to Become an Agentic AI Engineer in 2026）》，不仅是一份技术清单，更是一套面向生产环境的生存指南。在 Agent 狂热的当下，这份指南冷静地指出：Agent 的核心竞争力不在于 prompt 写得有多花哨，而在于你作为工程师，如何构建一套确定性的系统来驾驭不确定的模型。以下是该路线图∑的深度拆解与核心要点： 1. 夯实 Python 工程化底座 Agent 工程师首先必须是一名优秀的软件工程师。在 2026 年的语境下，Python 不再只是写脚本的工具，而是构建复杂系统的基石。 - 核心能力：熟练运用 Pydantic 进行类型验证，掌握 Async/Await 处理高并发 IO，利用依赖注入提升系统的可测试性。 - 深度思考：Agent 的失败往往不是因为 LLM 不够聪明，而是因为代码层面的异常处理（Exception Handling）过于脆弱。一个好的架构应该像 app/、core/、agents/、tools/ 这样分层明确，让 Prompt 和工具逻辑能够独立演进。 2. 重塑对 LLM 原理的认知不要把 LLM 当成万能黑盒，要把它当成一个基于概率的“推理引擎”。 - 关键点：理解 Token 预算（Context Budgeting）是 Agent 设计的生命线。你必须学会如何通过摘要、压缩和检索策略，在有限的窗口内保留最关键的证据。 - 金句：在 Agent 系统中，推理是基于模式的预测，因此你必须提供结构、工具和约束，而不是单纯的祈祷模型能听懂。 3. 从“链”到“图”的思维跃迁 2026 年的趋势是从简单的线性链（Chain）转向复杂的有状态图（Graph）。 - 框架选择：LangGraph 之所以成为生产环境的首选，是因为它将 Agent 建模为显式的状态机。这让循环、重试和人工干预（Human-in-the-loop）变得可控、可回溯。 - 避坑指南：最大的反模式是直接复制 Demo 代码。框架只是实现工具，真正的架构是你的状态模型、数据契约和安全规则。 4. 内存管理：Agent 的长期记忆 Agent 需要区分短期记忆（上下文窗口）和长期记忆（外部存储）。 - 进阶策略：学会平衡“新鲜度”（Recency）与“相关性”（Relevance）。对于不确定的内容，宁可执行“不存储”策略，也要避免幻觉进入记忆循环。 - 金句：只存储你能证明其合理性的内容，Agent 的记忆不应成为幻觉的温床。 5. 工具集成的“特种兵”标准一个 Agent 友好的工具必须具备：清晰的名称、极窄的用途、类型化的输入 Schema 以及确定性的输出。 - 安全红线：永远不要让 Agent 直接执行高风险操作。必须通过策略门控（Policy Gate）、沙箱环境（Sandboxing）和人工确认来构建护城河。 6. RAG 的工业级演进简单的向量检索已经过时，2026 年的 RAG 是混合检索与重排序（Re-ranking）的结合。 - 关键点：元数据过滤（Metadata Filtering）是企业级 RAG 的安全底线，它能防止跨用户的数据泄露。 - 深度见解：RAG 不仅仅是为了补充知识，更是为了给 Agent 的决策提供“证据链”。没有引用（Citations）的生成结果在生产环境中是不可信的。 7. 多智能体协作的协议化当任务复杂到单一 Agent 无法处理时，引入 Supervisor（主管）模式。 - 核心逻辑：通过标准化的“智能体协议”进行通信，明确目标、约束和上下文引用。这能降低沟通成本，并允许在不破坏工作流的情况下更换模型。 8. 生产就绪的最后一步：可观测性与评价 Agent 跑通了不代表它能上线。 - 评估体系：超越“看起来不错”的直觉，建立基于任务成功率、工具调用准确率和安全违规率的自动化测试集。 - 运维关键：结构化日志和链路追踪（Tracing）是调试“智能体变怪了”的唯一手段。 2026 年的 Agent 工程师，本质上是在不确定性的沙滩上建造确定性的灯塔。技术栈会变，但工程化的严谨性——从类型检查到 CI/CD，从沙箱隔离到 RAG 评估——永远是区分玩具与产品的分水岭。 drive.google.com/file/d/1JkNUDOztGVX7LLbMgkiOr0vffBLg8PeU/view 网盘下载：pan.quark.cn/s/a5aaa739e364

10. AI Agent开发常常需要管理海量对话历史，传统RAG或知识图谱难以实现真正学习，记忆准确率低、长期遗忘严重。Hindsight™ 提供革命性的Agent记忆系统，让AI Agent真正"学会"而非仅"记住"。不仅在LongMemEval基准测试中创下最优性能，还支持世界事实、个人经历、心理模型构建，已被Fortune 500企业投入生产。GitHub：github.com/vectorize-io/hindsight主要功能：- 记忆保留（Retain）：自动提取实体、关系、时序数据构建知识库；- 智能回忆（Recall）：语义+关键词+图谱+时序四路并行检索；- 深度反思（Reflect）：基于记忆生成洞察和决策建议；- 多用户记忆隔离：支持按用户/会话隔离记忆管理；- 生物仿生架构：模拟人类记忆机制（世界事实+经历+心理模型）；- 一行代码集成：LLM Wrapper自动为现有Agent添加记忆能力。支持Docker一键部署、Python/Node.js客户端、嵌入式模式，兼容OpenAI/Anthropic等多种LLM提供商。#AIAgent##AgenticAI##人工智能#

11. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

12. 能否使用RAG技术来解决大模型的长期记忆问题？

13. 铭凡 N5 MAX 首发评测！这才是真正的AI(O) NAS！120W 满血释放，16核32线程，本地AiAgent + 本地视频生成

14. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

15. 今年最火的开源Agent项目，如何思考Agent的自我进化？

16. Agent 框架记忆问题的解法～用过 LangChain、CrewAI 这些 Agent 框架的都知道一个痛点：它们的记忆管理很鸡肋。大多数框架的做法是：短期放在列表里，长期靠 RAG 检索。听起来合理，实际很脆弱。问题在哪？1. 信息丢失。RAG 只会检索出片段，但对话的整体脉络、为什么重要、前后的因果关系都丢了。用户说"上次那个项目"，Agent 可能查出相关文档，但根本不知道用户为什么关心这个项目。2. 幻觉加倍。Agent 基于零碎的检索结果推理，没有全局认知，自然容易编造细节。3. 记忆冲突。同一件事在不同时间表述可能不一样，Agent 也不知道哪个才是"真相"，结果前后矛盾。核心问题：RAG 本质是"我记不全，就检索部分"——但这对需要全局一致性的 Agent 任务来说，根本不够。文章的解法：混合记忆架构，不是非此即彼，而是分层：第一层：实时记忆 —— 最近 N 轮对话完整保留，一个字都不丢。这保证了 Agent 对当前对话的理解是准确的。第二层：压缩记忆 —— 更早的对话不是直接存，而是压缩成摘要。比如 50 轮对话压缩成"5 个关键决定 + 3 个重要背景"。成本低，还保留了信息密度。第三层：语义检索 —— 用向量数据库索引压缩后的记忆。这样检索时找的是"高浓度摘要"，而不是淹没在海量文档里。第四层：验证 —— 最关键的一步。Agent 每次从记忆里检索出来东西，要自己验证一下："这个旧记忆和我现在的对话一致吗？"不盲目信任。为什么这个方案值得用？1. 解决了 RAG 的致命问题——记忆有连贯性，Agent 知道全局脉络，不再前后不一。2. 成本可控——压缩记忆大幅降低向量库规模和 token 消耗，相比把所有历史都存下来，省一个数量级的钱。3. 可验证——加验证层，Agent 不会死板地信任过期的记忆。适用场景：- 长期对话的 AI 助手（用户期望 Agent 真的"记得我们的历史"）- 复杂多轮谈判或诊断（需要一致决策，不能前后矛盾）- 需要积累知识的任务流不适用的场景：- 单轮或短对话（没必要这么复杂）- 纯知识库查询（RAG 本身够用）原文：dev.to/diego_falciola_02ab709202/every-ai-agent-framework-has-a-memory-problem-heres-how-i-fixed-mine-1ieo#HOW I AI# #程序员#

17. 《REFRAG: Rethinking RAG based Decoding》Meta最新发布的REFRAG技术，彻底解决了检索增强生成模型（RAG）最大的瓶颈：解码效率低下。相比传统RAG，REFRAG实现了30倍更快的首词生成速度，同时保持零准确率损失。问题核心在于：RAG在输入大量检索段落时，实际只有5-10段内容对生成有用，剩余多数成为计算负担，但模型仍对所有段落进行全面注意力计算，导致时间和内存资源巨大浪费。传统RAG用16K上下文时，首次输出延迟超过100秒，吞吐量下降10倍，内存消耗爆表。REFRAG通过将上下文块压缩成单一嵌入向量，避免了对全部16,384个token的逐一处理，仅需处理约1,024个压缩块嵌入，极大减少计算量。成果显著：- 首词生成速度提升30.85倍- 语义困惑度（perplexity）无损失- 上下文容量扩展16倍（4K token → 64K token）- 性能超越前沿技术3.75倍为何行得通？因为RAG的注意力模式稀疏，大多数检索段落间无交互。REFRAG通过以下三点巧妙利用这一点：1. 预计算并缓存嵌入，推理时重复使用2. 基于强化学习的压缩策略，智能决定哪些块需展开3. 不受位置限制，任意位置均可压缩实际应用优势：- 仅8段文本的延迟即可达到单段处理速度- 在检索器性能较弱时，依然提升准确率- 可支持无限长会话历史- 无需修改基础模型架构这项技术改变了RAG的计算经济学：更多上下文、更低延迟，且成本更优。REFRAG不仅是性能优化，更是RAG从“功能”向“基础设施”转型的关键一步。它告诉我们，提升AI系统效率的关键不在于盲目增加计算资源，而是精准减少无效计算，压缩信息冗余，从根本上优化流程。更多细节和论文链接见：arxiv.org/abs/2509.01092这背后，技术创新带来的不仅是速度，更是未来大规模长文本理解与生成的基石。希望更多开发者和研究者能从中得到启发，推动RAG技术应用迈入新阶段。

18. 2026年程序员不懂RAG+Agent，将会落后于职场

19. 基于 Ray 的蚂蚁数据构建引擎在搜推、RAG 场景的实践

20. #IT那些事儿# 比可汗学院和慕课还可汗：AI 同学吵起来了，这才是真正的多 Agent 课堂！清华研究团队开源的这个 OpenMAIC，让我惊了，感觉比可汗学院和慕课还可汗。你发一句话（图一）或一个文件，几分钟内就自动生成一堂完整的 AI 多 Agent 互动课堂——AI 老师语音讲解 + 白板实时画重点（图二），AI 同学和研究生助理跟你有问有答引导热烈讨论，有的“同学”思辨能力强，有的“同学”靠直觉（图三），实时测验、项目式学习（PBL）全都有，包教包会，还能用麦克风直接对话。OpenMAIC 和小龙虾一样，也是“模型无关（model-agnostic）”架构，如果在本地搭建推荐配置高性价比推理模型（如 Gemini Flash），不过对于不同角色可以用不同模型（老师 / 学生 / 助教），这样能省点钱。OpenMAIC 技术本质上是：RAG + 多Agent系统 + 教学流程建模 + 多模态交互。它的核心创新是多Agent编排。每个 Agent 都是一个 LLM prompt + memory，通过 graph 控制调用顺序，支持循环（讨论 → 修正 → 再讲），这就是为什么能看到“AI同学吵起来”（图四）。我看很多人第一反应就是那 AI 幻觉怎么办？是啊，如何从工程上解决课堂多 AI Agent 的一致性和收敛性问题呢？首先，在多 Agent 课堂里，幻觉不是 bug，而是系统性风险！因为这个课堂里有多角色（老师 / 学生 / 助教）、长上下文（整堂课）、开放问题（学生提问），这比单轮问答难一个数量级，一旦一个 Agent 说错，其他 Agent 接着“合理化”，就会形成共识，强化错误。其次，我在研究过的 SWE-CI 问题中就曾说过“上下文漂移 + 约束遗忘”（参见：网页链接），那么在多 Agent 课堂里就会表现为越讲越偏和讨论跑题。那么，如何解决呢？猜测大概要分六层防护。第一层，RAG Grounding（检索增强生成“锚定”在可验证的外部真实数据源上）第二层，角色降权（主要是 AI “学生”）第三层，提高AI“助理”的校验机制，或者单独增加一个裁决 Agent第四层，结构化输出（防止漂移）第五层，建立课堂“收敛机制”第六层，全局一致性监控总结一下，要想抑制多 Agent 课堂的幻觉，必须要求（比如以 SKILLS 的方式）：1）所有知识必须引用来源2）每一模块必须包含“总结 + 测验”3）学生 Agent 不能给结论4）加入 Verifier Agent 做一致性检查OpenMAIC 的出现，标志着 AI 教育从“单点问答”迈向“系统性课堂编排”的质变。它的真正价值，不在于“让 AI 会讲课”，而在于它首次把教育问题转化为一个可工程化的多 Agent 系统一致性与收敛性问题——有争论、有纠错、有收敛。但这也意味着，任何想在教育场景中认真落地多 Agent 系统的团队，都必须把"幻觉治理"当作头等大事来设计。上文提到的六层防护体系，本质上是在回答同一个问题：如何让一群 AI 在开放主题编排和开放对话中，仍然对真理负责？这不只是 OpenMAIC 的工程挑战，也是整个 Agentic AI 时代的核心命题。教育场景，恰好是压力测试它的最好战场——因为学生不会假装听懂，错了就是错了。

21. 在线向量数据库经常只提供基础的相似度搜索，结果固定不变，人工调整复杂。最近发现 RuVector 这个开源项目，它是一个用 Rust 打造的高性能、实时自学习向量图神经网络和数据库，集成了自适应优化和本地 AI 推理，性能秒杀传统向量库。 RuVector 最大亮点是它的 GNN 层能够自动从每次查询学习，搜索结果随着使用自动提升，无需手动调优；还能本地运行 LLM，无需依赖云 API，支持 CPU 优先加速；具备图查询（Cypher）、超边、超球面嵌入、多模型智能路由和动态张量压缩等前沿功能。还支持 PostgreSQL 作为扩展，完全替代 pgvector，拥有 230+ SQL 函数，几乎零迁移。适合需要自适应搜索、复杂关系建模、本地 AI 推理的应用，比如智能问答、推荐系统、知识图谱等。 GitHub：github.com/ruvnet/ruvector 主要功能： - 自学习向量搜索，查询即训练，搜索结果越用越准 - 集成多种图神经网络（GCN、GAT、GraphSAGE等） - 支持超边连接，建模复杂多元关系 - 内嵌LLM推理引擎（ruvLLM），支持 Metal/CUDA/WebGPU 等硬件加速 - 动态多级张量压缩，节省 2-32 倍内存 - 跨平台支持，含 Node.js、浏览器（WASM）、PostgreSQL 等 - 自愈查询优化，DAG查询计划智能调整提速 - 并发分布式，含多主复制、Raft共识、自动分片 - 完整的认知容器（.rvf）格式，一文件即服务，可安全验证操作链 - 丰富生态：科学OCR、神经交易、合成数据、元认知脉冲神经网络等快速试用： ```bash npm install ruvector npx ruvector ``` 适合开发者、AI科学家、数据工程师和企业部署的全功能AI数据库底座。 #AI创造营##人工智能#

22. 【AI技能】传疯了！AI 大神 Karpathy ：真正的知识库不是存资料，而是把知识变成一套会自己生长的系统

23. 2026英伟达GTC：“推理之王”的ASIC反击战与Token经济学【硅谷101】

24. 【研究提出结构感知检索增强生成方法】近日，中国科学院计算机网络信息中心提出一种面向Web端科学可视化的结构感知检索增强生成方法。该方法引入管线规划与模块感知的匹配策略，有效缓解了大语言模型直接生成科学可视化代码时存在的结构缺失、算子误用和顺序错误等问题，实现由自然语言指令到可视化结果的可执行流水线自动化构建。在转子切片分析、海洋气象流线生成以及等值面提取等典型任务中，该方法展现出良好适用性。评估结果显示，相较于直接利用大语言模型生成可视化结果的方法，该方法可将人工修正成本平均降低79.1%。基于此，团队进一步研发了面向科学可视化流水线构建的交互式分析与评估系统，支持科研人员通过交互式分析界面对生成结果进行即时验证与反馈，提升了科学分析效率与结果可靠性。相关研究成果已被2026年PacificVis VisMeetAI研讨会收录，并发表在Information Visualization上。研究工作得到中国科学院战略性先导科技专项等的支持。#中国科普博览#

25. 通用 Agent 就是未来的操作系统了，就像现在我们操作电脑需要借助操作系统，以后我们跟 AI 通信会通过 Agent OS。App 会有几种结局：- 消亡：Agent 自己就有能力，不需要独立的 App- 变成 CLI 或者 MCP：搭配 Skill 去让 Agent 调用，用户不需要直接操作 App，Agent 帮助调用- Agent GUI 插件，或者说 Agent App：有些能力 Agent OS 满足不了的，必须通过 GUI 去手工操作下的，还需要做成插件，按照需要让 Agent 唤起给人临时用一下在未来一段时间，SaaS 会有个趋势，都要推出 cli + Skill，让 Agent 学会用它，这样才能保住客户，不至于被淘汰掉。

26. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

27. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

28. LightRAG 是一个简单快速的检索增强生成（RAG）框架，能高效整合大语言模型和知识图谱，实现智能文档查询和多模态检索。LightRAG支持多种存储方案（PostgreSQL、Neo4j、Milvus、OpenSearch等），支持文本、图片、表格、公式等多种数据类型的端到端知识抽取和问答。还提供了丰富的示例代码、Web UI，以及支持OpenAI、Hugging Face、Ollama、Azure OpenAI等多家模型接口。项目亮点：- 灵活配置的多存储架构，适合大规模知识管理；- 深度集成知识图谱构建与编辑，支持实体关系管理、知识图谱可视化；- 支持强大的Reranker提升检索效果；- 新增RAG-Anything，打通多模态文档处理与检索能力；- 丰富文档导入格式、引用功能、缓存管理、Token使用统计；- 还支持Langfuse可观测性监控以及RAGAS自动评价指标。无论是科研研究、企业知识库、还是多模态智能问答应用，LightRAG都提供了极具扩展性且高性能的解决方案。GitHub：github.com/HKUDS/LightRAG#在线智能检索# #知识图谱# #大语言模型# #RAG# #开源项目#

29. AI 术语通俗词典：RAG

30. 《扣子开发 AI Agent 智能体应用》013-基于大模型的企业知识库（企业知识库必要性）

31. 《扣子开发 AI Agent 智能体应用》031-实战案例：多 Agent 模式开发旅游助手

32. 照着学～大语言模型（LLM）学习路径和资料汇总入门篇：- 了解大语言模型的基础知识和常见术语。- 学会使用编程语言访问 OpenAI API 等常见大语言模型接口。- 面向非专业背景的大模型普及知识。应用篇：- 可以在本地环境搭建开源模型的推理环境。- 大语言模型应用开发框架（如 LangChain、Dify等）。- Prompt 工程、 RAG、Agent 等大模型应用开发范式。深入篇：- 大模型技术原理、训练微调、数据工程、推理优化等。- 大模型应用范式（RAG、Agent等）前沿进展。访问：github.com/ninehills/blog/issues/97#HOW I AI# #程序员#

33. 构建智能问答系统通常面临查询模糊、上下文理解不足和检索效率低等挑战。Agentic RAG for Dummies 是一个基于 LangGraph 的极简 Agentic RAG（检索增强生成）框架，帮助你用最少代码快速搭建具备会话记忆和人机交互查询澄清能力的生产级系统。项目集成了多功能模块： - 会话记忆，保持对话上下文连贯； - 智能查询澄清，自动重写或请求补充信息； - 分层索引，实现精准且上下文丰富的检索； - 多Agent并行处理复杂多问； - 灵活切换多种大语言模型（Ollama、OpenAI、Google Gemini 等）； - 开箱即用的 Gradio Web UI，方便体验和部署。无论是学习 RAG 基础，还是构建定制化应用，这个项目都提供了交互式笔记本和模块化代码两条路径，助力开发者快速上手并轻松扩展。 GitHub 地址：github.com/GiovanniPasq/agentic-rag-for-dummies/ 主要功能： - 支持多轮对话记忆，提升问答自然度； - 自动拆分复杂查询，精准定位信息点； - 结合关键词稀疏向量和语义稠密向量的混合检索； - 内置人机交互机制，避免误解或无效查询； - 多Agent协同，提升复杂问题的处理效率； - 完整文档处理流水线，支持 PDF 转 Markdown 及分块索引。适合 AI 研究者、开发者及数据工程师，轻松构建满足生产需求的智能问答系统。

34. 整个 RAG 行业即将被颠覆。研究人员开发了一种新的 RAG 方法，它： - 不需要向量数据库。 - 不嵌入数据。 - 不涉及分块。 - 不进行相似性搜索。它被称为 PageIndex。与其将文档分块并塞入 Pinecone，不如构建一个树索引，让 LLM 像人类阅读书籍一样推理。在 financebench 上达到了 98.7%。在排行榜上击败了所有向量 RAG。无嵌入。无分块。无向量数据库。 100% 开源。

35. 关于 NotebookLM 植入 Gemini 这件事，我详细写了一篇自己的使用体验：网页链接NotebookLM 里的笔记本可以作为 Gemini 的外挂 RAG，Gemini 的答案会更加精准，幻觉会收敛，输出更加聚焦和有价值。而对于 NotebookLM 来说，Gemini 帮它搞定了多笔记本互通的事情，另外，NotebookLM 干不了的事儿，Gemini 可以代劳，比如 Deep Research，出图，做视频，写程序等等。这就有点像 Agentic RAG，当然，因为 Gemini 是面向所有互联网数据的，泛化的更厉害一些。目前墨问时间的知识库，还是经典 RAG，要升级成 Agentic RAG，本质是让模型从“只在生成参与”扩展到“全链路参与”，把检索变成一个可决策、可路由、可自我评估的系统，并引入可持久记忆与多源工具。这样不仅提升准确性与覆盖率，也能在复杂查询下保持稳健。还有很长的路要走……

36. 2026年是AI应用加速向生产力转化的关键一年。各行各业、不同规模的公司都在朝这个目标推进，整体趋势是挺好的。但我也观察到一个值得警惕的现象：有些场景出现了“鲁布·戈德堡机械”式的堆叠——原本一两步就能完成的小目标，却层层叠加大模型、RAG、Skill/工具编排，结果不但没有更高效，反而引入了不稳定、不可控等新问题。当然，这种倾向并不完全是“炫技”。更多时候，它是工程实现与目标不清共同作用的结果。如果目标更明确、甚至可以把路径做得更短、结果反而会更稳定、更可控。值得注意！

37. Agent的六类幻觉：口头幻觉：假完成、摆烂、谎报任务进度执行幻觉：误删乱改文件、破坏系统数据认知幻觉：越权自主行动、对抗用户指令文本幻觉：内容编造虚假、自身逻辑错乱安全幻觉：信息泄密、程序投毒、被外部利用目标幻觉：任务方向跑偏、初始目标异化总结：普通 LLM 幻觉仅言语出错，Agent幻觉会直接产生各类实际恶性破坏行为。#新媒沈阳聊ai#

38. 零成本无限 Token！Hermes + Qwen3.6，本地最强 Agent 组合来了！附部署教程 | 零度解说

39. 老外还在幻想的事，已经被腾讯做出来了？全网都在养龙虾，腾讯游戏直接把龙虾Agent塞进了研发流水线。 GDC 2026，腾讯游戏一口气甩出 21 场 AI 分享，不聊空话，直接把参数规模、训练时间、工程链路和落地细节全部摊牌。尤其是天美的 Ignis Agent，让我第一次真正感受到：AI 进入游戏行业，已经不是做 Demo，而是开始接管复杂研发流程。相比其他AI应用场景，游戏的确是一个高度复杂的实时系统。因此，像腾讯这样能把AI嵌入复杂游戏工程、在玩家交互中持续打磨并完成长期迭代的游戏厂商，才更有可能引领游戏AI化的下一阶段探索，成为AI时代游戏产业新的规则制定者。 #AI #人工智能 #Agent #智能体 #GDC

40. RAG（检索增强生成）会不会消亡呢？

41. 攻克幻觉与协同：同程旅行DataAgent如何构建企业级智能分析营销平台

42. 《扣子开发 AI Agent 智能体应用》014-基于大模型的企业知识库（知识库的理论基础 RAG）

43. Agent 从「优等生」到「好员工」还差什么？

44. 别再当韭菜！600块组装Mac mini平替，跑AI Agent比白苹果还香？

45. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

46. RAG 企业问答系统实战

47. 面试官

48. RAG入面试入门

49. 十分钟科普RAG技术

50. 当 RAG 遇上 AI Agent

51. 滴滴Agent岗二面

52. 快手一面

53. RAG是什么？有什么用途，这次讲清楚

54. RAG-AI怎么拥有实时知识库

55. RAG 不是记忆，RAG 是搜索

56. rag 详解 01

57. Ai——什么是 RAG？动漫版入门

58. HoRain云--万字详解 RAG 基础概念

59. RAG 与 MCP

60. RAG、微调、Agent

61. AI 知识库智能体的开发技术

62. 一文看懂三种 RAG 架构

63. 从RAG到Agentic RAG再到DCI

64. RAG检索增强生成

65. RAG技术演进

66. 03_RAG vs Agent

67. 什么时候只用RAG，什么时候要加Agent？一篇讲清AI系统选型逻辑

68. Agent 需要 RAG 吗？

69. 从传统 RAG 到 Agentic RAG

70. Agentic RAG多Agent推荐

71. RAG + Agent = 王炸组合

72. 从 RAG 到Agent

73. RAG vs Agent，到底什么场景用哪个

74. 从 RAG 到 Agentic RAG

75. RAG、Agent、微调，到底该选哪个？

76. RAG 正从“检索拼装”走向“可治理系统”

77. RAG 救不了企业 Agent

78. 6. RAG 与 Agent

79. RAG的碎碎念 RAG的实现思路整理

80. Agent中RAG文档切分7种策略详解

81. AI产品经理必知

82. 【AI模型小百科】文档分块策略与语义切分算法——提升RAG检索质量的关键

83. RAG 文档切片策略

84. RAG Chunking 全景指南

85. (LLM系列)文档切分策略详解

86. RAG分块策略

87. RAG的多路召回是如何实现的？

88. RAG技术深度解析（四）

89. 面试题

90. rag检索怎么做？首先要做多路召回，单路召回容易出现幻觉。

91. 小红书二面

92. 结果重排

93. [杂谈]简单易懂Rerank！向量检索之后，为什么必须做精排？

94. 提升RAG性能第五讲-Reranking

95. AI产品经理必修课之

96. Rerank

97. 淘天智能体面试

98. 面试必考 | GraphRAG vs Agentic RAG

99. AI 概念日志 · 第 014 讲｜Agentic RAG

100. 字节 AI 二面挂了！被问“RAG 召回率只有 60% 怎么救？”，我答了换模型，面试官

101. RAG系统效果调优终极指南

102. RAG工程落地实战

103. Pipeline RAG vs Agentic RAG vs 知识图谱 RAG

104. 鹅厂实习生血泪贴:Agent/RAG黑科技,真相竟是这样!

105. AI Agent开发课程笔记记录 - 提升篇 About RAG

106. AI知识梳理——RAG、Agent、ReAct、LangChain、LangGraph、MCP、Function Calling、JSON-RPC

107. 字节算法实习面试

108. 字节大模型一面面经

109. 面试官:聊聊RAG的执行流程?

110. 字节抢郭达雅:亿元年包买的是Agent最后一块拼图

111. 随笔档案「2025年12月19日」:AI也会说谎?揭秘可靠RAG让智能助手不再胡说八道 ...

112. RAG系统评测实践详细版:Coze及相关产品评测对比,以及下一代RAG技术

113. 字节 Agent 二面，后半场才是真拷打字节 AI Agent 实习二面别只背概念！这期拆解字节 Agent 面经，覆盖项目拷打、多模态大模型、Agent skills、工具说明、参数约束、权限隔离、调用日志、结果校验、记忆机制、多轮对话、短期记忆、长期记忆、向量库、结构化用户画像、多 Agent 执行策略、智能路由、仲裁机制、SSE 局限性、WebSocket、LoRA 排查、RAG 动态知识更新、增量索引、RAG 评估、检索召回率、答案忠实度、复杂任务准确率、MCP 和 Function Calling 区别。适合春招秋招、暑期实习、AI Agent、后端开发、大模型应用开发和字节大厂面经复习。#程序员 #面试 #字节跳动 #Agent #RAG

114. 优化 RAG 召回率：从诊断到实战的全面指南

115. AI Agent开发岗，我去字节腾讯阿里面了一圈，发现三家考的根本不一样

116. 字节后端 Agent 二面，RAG 问得很细字节后端 Agent 开发二面别只会背 Prompt 和 RAG！这期拆解字节后端 Agent 面经，覆盖 Prompt 调优、AI 优化提示词、失败案例、评测集、ReAct、Plan-and-Execute、Replan、RAG 文档切块、文档解析、清洗、Embedding、向量库、召回片段、重排、上下文拼接、引用和评估、多路检索、向量检索、关键词检索、标签过滤、权限过滤、Re-rank 价值、RAG 和参数微调对比、多跳推理、多次 RAG、问题拆解、证据链、中间状态、权限隔离、数据时效性、增量更新、文档版本、过期策略。适合 Java 后端、AI Agent、RAG 系统设计和字节大厂面试复习。#程序员 #面试 #字节跳动 #后端开发 #Agent

117. AI之检索增强生成RAG

118. 一文详解：20种RAG优化方法，建议收藏！

119. 工业级高级 RAG 全链路优化指南

120. Qwen3 Reranking 原理与实战从单塔结构到相关性评分！

121. 从"检索"到"编译"：AI知识问答的三次技术转换——RAG、Agentic RAG与知识编译

122. Agent常用优化手段

123. 手撕RAG系统：从向量检索到生成的全链路实战

124. Reranker 模型选型：为什么 Qwen3-Reranker 碾压同类

125. Day26:多路召回加了第三路，结果跟两路一模一样——RAG检索不是路越多越好

126. RAG 2.0时代：从向量搜索到知识图谱的架构演进

127. 字节AI Agent工程师面试指南！JD这么解读才正确 2026年最火的AI Agent岗位，字节跳动面试怎么准备？技术栈要求：Python + LangChain + 向量数据库项目经验：至少一个完整的Agent项目面试重点：架构设计 + 原理理解 + 项目深挖想投字节Agent岗的同学，这张图一定要看！ #字节跳动 #AI Agent #面试 #求职 #程序员 #LLM #LangChain

128. RAG 系统优化实战：从 2 秒到 200ms 的 9 个关键优化点

129. 降低企业AI Agent幻觉的八种方式

130. 一个RAG系统上线一周，召回率从85%掉到30%

131. 端到端RAG优化，从分块到检索到生成的每一个坑我都踩了

132. RAG 工作机制详解，一个高质量知识库背后的技术全流程

133. 召回率上不去，搜索和 RAG 就废一半：一文讲透如何提高召回率

134. 第15课：RAG调优四大绝招——当“开卷考试”还不够好时怎么办

135. RAGFlow x OceanBase seekdb: AI 原生数据库驱动智能体落地

136. RAG 生产环境大坑：时效性的致命危害与解法

137. AI Agent的“幻觉”升级：当智能体不仅说错，还会做错

138. RAG 不该什么都查，CAG 也不该什么都缓存：真正好用的知识系统，是把静态知识缓存、动态知识检索分层处理

139. Agent系统如何约束大模型幻觉？约束后还幻觉怎么办？

140. 检索增强生成（RAG）：大模型知识的“外挂”

141. 面试官:文档切分:除了大块小块,还有其他办法

142. Agentic RAG 前沿调研报告

143. 【吃透 RAG 优化本质】 RAG 优化全攻略：拆解核心痛点 + 常见优化方法 + 评测标准全详解！RAG工作原理大模型rag项目实战

144. 知识增强：RAG（检索增强生成）系统的架构设计与实现

145. RAG工程实践：v0.1到v0.5的迭代记录

146. 智能体应用中知识库RAG召回率优化实战

147. 如何有效降低Data Agent的幻觉？

148. 基于检索增强生成的任务规划方法综述

149. 03. RAG系统搭建实战

150. 面试必考！6种Agent架构，一口气讲清楚 AI岗位面试，架构题几乎每家大厂都在考。这个系列专门帮你搞定——6种主流Agent架构全拆解：单Agent循环、规划执行、多Agent协作、反思自修正、RAG+Agent、工作流DAG，每讲对应面试高频考点，看完不只能答出来，还能说清楚适用场景和优缺点。 #AI面试 #AIAgent #Agent架构 #人工智能 #AI入门

151. RAG效果不理想，怎么优化？Recall太低，是Milvus的问题吗？

152. 【理论&实战篇】大模型RAG技术详解（一）-基础篇

153. Day 12｜Agent 架构再探——Agent+RAG 结合架构图解

154. 大模型（LLM）-文档切分方法综述

155. 由社群讨论引发的思考——RAG中关键字召回与语义召回

156. 2026 年 AI 客服怎么选？语流 Agent 凭 RAG + 多 Agent 协同脱颖而出

字节AI Agent面试必考：RAG全链路细节拆解与实战准备指南

精选参考来源